Caffe扩展新层

本文主要是介绍Caffe扩展新层，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

真的是被Caffe玩哭啦！。先说一下我的情况吧。我是用的Caffe是Windows版本，也许Linux版本就没有我的烦恼了。我想在训练的时候使用 BatchNormail层，由于我原先使用的是大神happynear的老版本了，但是老版本里没有Scale层，所以只能更新新版本。于是我使用官方Caffe-Microsoft版本，训练还算一切正常。但是到了应用阶段出现问题了。在命名空间caffe中找不到各个层了，这就对我使用C++接口产生了影响，怎么办呢？换happynear大神的最新版本，可惜还是这个问题。分析原因是caffe源码的结构发生了变化，在include文件中头文件发生了变化，老版本各个层的头文件基本上定义在vision_layers.hpp,但是新版本在layers文件夹中分别定义的，不知道是不是这个原因，导致了命名空间中找不到各个层了。

说了这么多废话，说下我的解决方法吧，扩展老版本。之所以说是扩展，是因为我并没有写层，只是把新版本中的层添加到老版本中。大家可以参考这个链接：http://blog.csdn.net/kuaitoukid/article/details/41865803

由于我没有写层，所以就简单多了，只需要简单修改一些文件即可，现在就以Scale层为例：

1、首先确定Scale层属于layer类型，是common_layer，data_layer，loss_layer，neuron_layer，vision_layer中哪个？说实话具体分在哪个层不太好确定（个人理解这些只是大致分类，便于管理，放在哪个文件里都可以），一般我们添加的新层都在vision_layer中。首先我们在新版本中.\caffe\include\caffe\layers找到scale_layer.hpp,我们可以把这个文件看成是从老版本vision_layers.hpp中取出来单独建立的一个头文件，我先在要还原回去。打开scale_layer.hpp文件复制代码：

/*** @brief Computes a product of two input Blobs, with the shape of the*        latter Blob "broadcast" to match the shape of the former.*        Equivalent to tiling the latter Blob, then computing the elementwise*        product.** The second input may be omitted, in which case it's learned as a parameter* of the layer.*/
template <typename Dtype>
class ScaleLayer: public Layer<Dtype> {public:explicit ScaleLayer(const LayerParameter& param): Layer<Dtype>(param) {}virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top);virtual void Reshape(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top);virtual inline const char* type() const { return "Scale"; }// Scalevirtual inline int MinBottomBlobs() const { return 1; }virtual inline int MaxBottomBlobs() const { return 2; }virtual inline int ExactNumTopBlobs() const { return 1; }protected:/*** In the below shape specifications, @f$ i @f$ denotes the value of the* `axis` field given by `this->layer_param_.scale_param().axis()`, after* canonicalization (i.e., conversion from negative to positive index,* if applicable).** @param bottom input Blob vector (length 2)*   -# @f$ (d_0 \times ... \times*           d_i \times ... \times d_j \times ... \times d_n) @f$*      the first factor @f$ x @f$*   -# @f$ (d_i \times ... \times d_j) @f$*      the second factor @f$ y @f$* @param top output Blob vector (length 1)*   -# @f$ (d_0 \times ... \times*           d_i \times ... \times d_j \times ... \times d_n) @f$*      the product @f$ z = x y @f$ computed after "broadcasting" y.*      Equivalent to tiling @f$ y @f$ to have the same shape as @f$ x @f$,*      then computing the elementwise product.*/virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top);virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top);virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);shared_ptr<Layer<Dtype> > bias_layer_;vector<Blob<Dtype>*> bias_bottom_vec_;vector<bool> bias_propagate_down_;int bias_param_id_;Blob<Dtype> sum_multiplier_;Blob<Dtype> sum_result_;Blob<Dtype> temp_;int axis_;int outer_dim_, scale_dim_, inner_dim_;
};

将代码粘贴到老版本中vision_layer.hpp最后即可。

2、将从新版本中.\caffe\src\caffe\layers  中的scale_layer.cpp和scale_layer.cu两个文件复制到老版本中.\caffe\src\caffe\layers.如果不用GPU可以不复制scale_layer.cu

3、修改caffe.proto,主要修改两个地方，增加层类型和增加层参数。如下图：

找到message_ScaleParameter

4、在layer_factory.cpp中添加代码，但是我发现新老版本没有变化，所以我没有修改。

5、修改.\caffe\src\caffe\util\force_link.cpp  这个文件是注册各个层，我们要把新添加的层在这个注册一下，说是注册其实就是添加一句话而已

至于括号里填写什么？可以到相对应的.cpp文件的最后两行找到答案。

给大家一个小技巧，我们可以把新添加的层全都复制到老版本中这样caffe.proto就可以删掉，直接中新版本的caffe.proto代替的，我就是这么干的。

修改完以上的东西我们就可以重新编译就OK！哦！忘了告诉大家这里还需要注意两个问题，1、我们把新层的.cpp文件复制过来后并不能自动添加到工程中，我们需要手动添加。2、修改新层.cpp文件中的一个地方

#include "caffe\layers\scale_layer.hpp"

修改成

#include "vision_layer.hpp"#因为我们把头文件复制到了vision_layer.hpp中

OK！到了这里就差不多了，祝大家好运！

这篇关于Caffe扩展新层的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---